我正在試驗RANSAC算法，即本文中的RANSAC實現：http://cg.cs.uni-bonn.de/en/publications/paper-details/schnabel-2007-efficient/爲什麼RANSAC每次在同一個點雲上運行時會給我不同的結果？
我使用的代碼基礎是作者提供的。我試圖將物體，比如用Kinect 1獲得的杯子分割成原始形狀。
我的問題是，每當我在相同的物體點雲上運行原始形狀檢測時，我會得到不同的結果，就像一次運行，我會檢測到3個圓柱體和一個圓錐體，並在下一次運行時檢測到2圓環和1個球體。
我知道候選對象基元的第一個點是隨機選取的。所以在代碼中，我將隨機種子參數設置爲一個靜態數字。在這種情況下，我的結果總是與它應該是一樣的。但是，即使使用像實際時間那樣的非靜態種子，RANSAC是否應該產生相同或幾乎相同的結果？
RANSAC代表RANdom SAmple Consensus，它是一種迭代算法，它在習慣形式下，在最大迭代次數之後停止，或者如果達到某個標準（誤差最小化），該算法會停止。 「隨機」部分意味着根據數據集的不同，應用RANSAC並不總能得到相同的結果，特別是當它由於達到最大迭代次數而不是最小化誤差而停止時。有許多數值求解器表現這種方式。 In computing, a Monte Carlo algorithm is a randomized algorithm whose running time is deterministic, but whose output may be incorrect with a certain (typically small) probability.這與所謂的「拉斯維加斯」算法相反。 In computing, a Las Vegas algorithm is a randomized algorithm that always gives correct results; that is, it always produces the correct result or it informs about the failure，但它不能保證在一組時間/計算資源內這麼做。
現在，我不知道你提到的具體實現，但這是它是如何工作的那種算法。
好吧，由於RANSAC有一個隨機組件，算法的精度（結果的可變性）取決於您嘗試檢測和分割的場景/對象的複雜程度。
在運行基於RANSAC的算法時，有許多因素會影響準確度和精度。它通常是數據分辨率的函數（在這種情況下爲點密度），對象的複雜性以及檢測和分割中使用的方法。
通常，在處理中使用隨機組件時，一個好主意是多次運行相同的場景/對象，並通過某種投票（頻率主義方法），選擇最可能的結果。